大数据环境下在线学习绩效的监测预警模型构建与应用——基于非线性门限回归模型

从学习绩效理论视角出发,基于非线性门限回归模型构建适用于大数据环境下的在线学习绩效监测预警模型,并应用预警模型对某开放大学的学生在线学习情况进行实证研究。研究结果表明,与线性回归模型相比,基于门限回归模型所构建的在线学习绩效监测预警模型具有更高的预测精度,能够融合学习行为、学习满意度和学习结果等多维度数据信息,对在线学习绩效发出比较准确的监测预警信号。在实践应用层面,非线性门限回归模型可以作为在线学习绩效监测预警系统开发与应用的“信息处理中枢”,以在线学习全景数据多维信息为支撑,通过对在线学习绩效的立体化展示,为学习者、教师和教育管理者提供更加有效的学习改进策略建议。     

基于数据的在线学习个性化学习支持服务模式构建与实现途径

后疫情时代在线学习的地位得到进一步提升。基于文献研究与开发研究,构建了基于数据的在线学习个性化学习支持服务理论模型,并探讨了其实现途径,指出基于大数据的在线学习个性化学习支持服务能有效提升学习质量,提高学习支持服务与学习者需求的匹配程度,实现“类同伴”的陪伴效果,减少在线学习参与的孤独感,提高情感体验,实现高品质学习。基于此,构建了人、大数据、资源、时机、方式和途径为作用元素的学习支持服务模型,实现数据支持的精准决策和智能服务。提出实现基于大数据的在线学习个性化学习支持服务需要关怀生命,系统培育大数据驱动的积极学习支持服务理念;完善基础,构建大数据收集平台对学习者精准画像;建设资源,围绕学习者个性化学习支持服务形成优质学习支持资源;强化体验,围绕“高品质学习”优化学习支持服务机制。     

数据驱动视角下在线自适应学习系统设计研究

教育大数据能为学习者学习行为精准分析提供有力支持,对提升现有在线学习系统效率起到积极的助推作用,而自我学习调节算法将成为在线自适应学习系统实现的关键。文章首先对国内外自适应学习系统相关研究现状进行了梳理;接着从量化自我角度出发,提出了教育大数据驱动的在线自适应学习系统模型,并详细分析了该模型中的学习对象、自我学习调节机制;结合自适应学习服务策略和学习能力层次,构建了自我学习调节算法SLCA(Self Learning Control Algorithm)作为在线自适应学习实现的基础。     

大学物理实验教学系统中预警模型构建与应用

随着混合式学习模式和在线学习系统的广泛应用,在线学习系统中产生大量学习数据和记录,为学习预警的研究提供了数据来源和有力支撑。针对混合式学习的大学物理实验课程情境,对建构组学生的在线学习数据进行探索性的因子分析,设计了学习预警模型指标,并利用层次分析法确定模型指标权重,以精准率和召回率的加权调和均值为依据确定预警阈值。教学应用发现,验证组学生数据验证模型具有良好的可用性,可据此设计开发学习预警功能。基于学生在线学习数据构建的学习预警模型,有助于甄别学习困难的学生,进行有效预警,实现个性化教学。     

基于大数据的在线学习预警模型设计——“教育大数据研究与实践专栏”之学习预警篇

学习预警是提升在线学习质量的重要途径。如何基于大数据成功地实现在线学习预警,是在线教育发展过程中亟需解决的重要问题。文章从预警的实现形式、内容与方式、采用的技术算法和工具、成效及不足等方面比较分析了国外五个典型学习预警系统,在此基础上提出了学习预警系统的通用设计框架,并构建了学习预警系统的功能模型和过程模型,最后就在线学习预警系统的设计开发和预警研究提出了建议,以期能为我国在线学习预警系统的建设与发展提供借鉴。     

在线学习管理系统中本科生与研究生交互比较研究(英文)

学习者与在线内容的交互被认为是决定网络教学和学习有效性的重要因素之一.学习环境中的任何事情总是一触即发,支持学习者与在线内容进行交互.当学习者与内容交互时,内部的反思性思考与对话发生了.本研究试图比较在线学习管理系统中研究生课程和本科课程中学习者交互之间的差别.基于所提出的研究学习者与在线内容交互的框架,研究者收集了学习管理系统日志和学习活动数据库中的相关数据;基于学习者与在线课程内容的交互模式和行为对收集到的数据进行了分析;并对教师和学习者在在线论坛中的讨论和交流的内容进行分析,尤其调查了已发生的交流的维度、深度和分类.基于上述研究成果.研究者认为应该加强网络内容的设计和传输,从而提升开放远程学习中在线学习环境的有效性.     

基于过程挖掘的在线自主学习行为模式识别及干预实证研究

自主学习符合人类学习的本质,被赋予了从未有过的价值与使命,实现了自我驱动的学习行为.在线学习背景下,有必要挖掘学生自主学习行为模式,识别学生认知过程,寻找在线学习规律,解决自主学习能力薄弱问题.通过顺序分析和聚类分析算法,对论坛、测验、作业与评价和资源四类学习行为进行挖掘,分析高低成就学习者之间的在线自主学习行为模式差异.并基于模仿榜样理念,以高成就学习者的学习行为模式为策略,对低成就学习者进行干预.研究结果表明高低成就学习者在线自主学习行为模式存在显著差异,且高成就学习者的学习行为模式对低成就学习者具有指导作用,可为均衡化教学提供新思路与方法,缩小规模化教学与个性化教学的矛盾.     

基于在线作业数据的学习行为投入画像构建研究

学习者画像是描述学习者特征、实现智能化推送、实施个性化教育的重要基础.如何挖掘并利用在线学习平台中的数据构建学习者画像是当前亟待解决的问题.研究以在线作业为目标场景,以在线学习行为投入为切入点,构建了以参与、坚持、专注、学术挑战和自我调控为主要维度的分析框架和测量指标,利用7695名小学生在线作业数据进行了27个测量指标的有效性验证,采用K-Means聚类方法对在线学习者的行为特征和结果特征进行了标签分类,形成了四类学习者的群体画像,提出了相应的学习指导建议.研究发现,学习者的学业成绩与作业行为投入之间存在显著相关,不同的行为投入平台指标与学业成绩呈现不同的相关性,学习品质相关指标与学业成绩呈现强相关.因此,在线教育平台应通过画像技术,持续跟踪学习者的在线学习行为投入,评估学习者的学习品质,提出个性化的指导建议,推送精准化的学习资源,进而提升学习者在线学习效率.     

混合学习环境下学习者的在线自我调节学习潜在剖面分析及行为过程挖掘

混合学习强调线下课堂教学和线上自主学习的混合以实现优势互补,其中学习者的在线自我调节学习能力显得异常重要。文章旨在揭示学习者的在线自我调节学习能力存在哪些潜在类别,不同类别学习者是否具有不同的在线自我调节学习行为过程模型,以及这对于在线自我调节学习环境的设计有何启示。研究首先对239名学习者的在线自我调节学习能力进行测评,然后使用潜在剖面分析方法对测评数据进行分析,发现样本学习者可以分为高、中、低三种不同水平的自我调节学习剖面类别。然后分别对三种类别学习者的在线自我调节学习行为数据进行过程挖掘,研究发现:(1)学习者的自我调节学习能力更多体现在执行阶段的行为上;(2)中高水平自我调节学习者的在线学习行为表现出更强的认知和元认知策略;(3)高水平自我调节学习者体现出更有效的时间管理策略与更强的整体规划能力。因此,在线自我调节学习环境需要引入自适应支持机制,为学习者提供适应性的过程和策略支持。     

基于电子学档的在线学习行为监控

在线学习是一种师生分离的自主学习,对学习者的学习行为进行监控,能提高在线学习效率。利用电子学档对学习者的在线学习行为进行监控,不仅有助于促进学习者的学习反思、激发学习动机、开展更为有效的学习,而且有助于实现对学习者学习行为的全面监控。基于电子学档的在线学习行为监控模型一般包括行为信息的提取模块,整理和分析模块,成果及评价模块,反思模块,行为标准制定模块等五部分。采用这个模型,可以实现对在线学习行为的全面监控。